氛围式编程什么鬼!?

AI摘要

Vibe Coding(氛围式编程)是2025年初由AI专家Andrej Karpathy提出的软件开发方法,让开发者用自然语言描述生成代码。它基于大型语言模型,具有提高效率、降低门槛等优势,有Cursor、Windsurf等工具,应用场景广泛,未来发展前景好。

图片

图片

👉目录

1 概念介绍

2 Vibe Coding 的核心理念

3 Vibe Coding 的工作原理

4 Vibe Coding 的优势

5 Vibe Coding 的工具

6 Vibe Coding 的应用场景

7 Vibe Coding 的实例代码

8 Vibe Coding 的最佳实践

9 Vibe Coding 的实际案例

10 Vibe Coding 的未来展望

11 Vibe Coding 的发展趋势

12 Vibe Coding 的应用前景

13 总结

Vibe Coding(氛围式编程)是一种革命性的软件开发方法,由AI专家Andrej Karpathy在2025年初提出并推广。这种方法让开发者利用大型语言模型(LLMs)通过自然语言描述来生成代码,从而改变了程序员的角色——从手动编写代码转变为引导和优化AI生成的解决方案。

关注腾讯云开发者,一手技术干货提前解锁👇

01

概念介绍

不知道大家最近有没有听说过Vibe Coding(氛围式编程),这是AI大神Andrej Karpathy在2025年初提出的一种超酷的编程方式。简单来说,就是让我们不再一行行敲代码,而是用日常语言告诉AI你想做什么,然后它帮你把代码写出来。程序员的角色从手动编写代码转变为引导和优化AI生成的解决方案。

正如Karpathy幽默地指出:“Vibe Coding的目标是让开发者能够专注于解决问题的逻辑和创意,而不是繁琐的代码编写。通过利用大型语言模型,我们可以生成高质量的代码,节省开发时间,提高开发效率。”

02

Vibe Coding 的核心理念

Vibe Coding 的核心理念是通过自然语言描述来生成代码,这样开发者可以专注于解决问题的逻辑和创意,而不是繁琐的代码编写。这种方法可以提高开发效率,降低门槛,增强创造力。

03

Vibe Coding 的工作原理

Vibe Coding 的工作原理基于大型语言模型(LLMs)的能力,这些模型可以通过自然语言描述来生成代码。开发者只需要提供一个清晰的自然语言描述,LLMs 就可以生成相应的代码。这种方法可以节省开发时间,提高开发效率。

具体来说,Vibe Coding 的工作流程如下:

  1. 需求分析:开发者首先需要分析需求,确定需要解决的问题和目标。

  2. 自然语言描述:开发者使用自然语言描述需求和目标,生成一个清晰的文本描述。

  3. LLMs 生成代码:LLMs 接收文本描述,并生成相应的代码。

  4. 代码优化:开发者可以优化生成的代码,确保它满足需求和目标。

  5. 测试和部署:开发者可以测试和部署生成的代码,确保它正常工作。

04

Vibe Coding 的优势

Vibe Coding 的出现带来了多个显著的优势,包括:

  • 提高开发效率:通过利用大型语言模型,开发者可以快速生成代码,节省手动编写代码的时间。

  • 降低门槛:Vibe Coding 使得没有丰富编程经验的人也可以参与软件开发,通过自然语言描述来生成代码。

  • 增强创造力:Vibe Coding 允许开发者专注于解决问题的逻辑和创意,而不是繁琐的代码编写。

05

Vibe Coding 的工具

目前,已经有多个 Vibe Coding 工具被开发和推广,包括:

Cursor

Cursor是一个基于Visual Studio Code的AI驱动代码编辑器。它将AI直接集成到编码环境中,提供了一个侧边栏聊天(称为Composer),你可以通过它指导AI编写或编辑代码。

Cursor有两种模式:普通模式和高级模式。在普通模式下,Cursor可以帮助你完成代码,提供智能提示和自动完成。在高级模式下,Cursor可以帮助你生成高质量的代码,提供更详细的提示和建议。

Windsurf

Windsurf是世界上第一个基于代理技术的IDE,专为Vibe Coding设计。它采用了革命性的AI Flow范式,使AI能够独立工作或与用户协作。Windsurf内置了强大的Cascade AI助手,可以理解用户的自然语言指令,并将其转化为高质量的代码。

Windsurf的特点包括:

  • 代理式编程:AI可以作为独立代理执行复杂任务,如创建完整项目、调试代码或优化性能

  • 自然语言交互:用户可以用自然语言描述需求,AI会理解并生成相应代码

  • 上下文感知:AI能够理解整个项目的上下文,提供更准确的代码建议

  • 多模态输入:支持文本、语音等多种输入方式,增强交互体验

Windsurf特别适合那些希望利用AI提高编程效率,同时保持对代码质量控制的开发者。

GitHub Copilot

GitHub Copilot是一个基于AI的代码生成工具,可以帮助开发者生成代码。它支持多种编程语言,包括Python、Java、C++等。 GitHub Copilot可以帮助开发者快速生成代码,节省手动编写代码的时间。它可以根据开发者的输入,生成高质量的代码,提供智能提示和自动完成。

Kite

Kite是一个基于AI的代码完成工具,可以帮助开发者完成代码。它支持多种编程语言,包括Python、Java、C++等。 Kite可以帮助开发者快速完成代码,节省手动编写代码的时间。它可以根据开发者的输入,生成高质量的代码,提供智能提示和自动完成。

Tabnine

Tabnine是一个基于AI的代码生成工具,可以帮助开发者生成代码。它支持多种编程语言,包括Python、Java、C++等。 Tabnine可以帮助开发者快速生成代码,节省手动编写代码的时间。它可以根据开发者的输入,生成高质量的代码,提供智能提示和自动完成。

DeepCode

DeepCode是一个基于AI的代码审查工具,可以帮助开发者审查代码。它支持多种编程语言,包括Python、Java、C++等。 DeepCode可以帮助开发者快速审查代码,节省手动审查代码的时间。它可以根据开发者的输入,生成高质量的代码,提供智能提示和自动完成。

CodeBuddy (腾讯云代码助手)

CodeBuddy 是腾讯推出的 AI 编程辅助工具。它以插件形式AI直接集成到 IDE编码环境中,提供侧边栏聊天(称为 Craft Agent 模式  & Chat AI 问答 ),你可以在 Craft Agent 中发送自然语言指令,AI 深度理解需求,自主完成多文件代码编写与修改,自动生成可执行的应用。

CodeBuddy Craft 有两种模式:普通模式和Plan 模式。在普通模式下,CodeBuddy 可以自动帮助你写完代码,提供友好的智能提示和自动终端执行完成。在Plan 高级模式下,CodeBuddy 可以进行咨询确认式的方式,帮助你生成高质量的代码,提供更详细的提示和建议。

此外,CodeBuddy 在 3.1 发布的版本中,成为国内首家支持MCP的代码助手,兼容数十种 MCP Server ,更提供如 TAPD、CNB 等具有腾讯生态的 MCP Server;同时增强多项功能,如工程理解Codebase、代码补全 、单元测试、代码评审多个智能体能力升级,适配 DeepSeek V3最新模型。从智能理解工程、实时续写代码,到单测覆盖一步到位,全面为开发者提供精准的代码建议和解决方案,打造极致的开发体验。

👉这里也为腾讯自家产品打个广告,即刻免费体验,安装指引:https://copilot.tencent.com

06

Vibe Coding 的应用场景

Vibe Coding 的应用场景非常广泛,包括:

  • 快速原型开发:通过Vibe Coding,可以快速生成原型代码,验证产品的可行性和用户需求。

  • 自动化测试:Vibe Coding可以用于生成自动化测试代码,提高测试效率和覆盖率。

  • 代码重构:Vibe Coding可以帮助开发者重构遗留代码,提高代码质量和可维护性。

07

Vibe Coding 的实例代码

下面是一个使用Vibe Coding的简单示例:

假设你想要创建一个简单的天气应用,你可以使用自然语言描述来生成代码:

创建一个简单的天气应用,可以显示用户输入城市的当前天气。使用HTML、CSS和JavaScript实现。

AI可能会生成类似于以下的代码:

<!DOCTYPE html><html lang="en"><head>    <meta charset="UTF-8">    <meta name="viewport" content="width=device-width, initial-scale=1.0">    <title>简单天气应用</title>    <style>        body {            font-family: Arial, sans-serif;            max-width: 600px;            margin: 0 auto;            padding: 20px;            text-align: center;        }        .weather-container {            margin-top: 20px;            padding: 20px;            border-radius: 10px;            background-color: #f0f8ff;            box-shadow: 0 0 10px rgba(0,0,0,0.1);        }        input, button {            padding: 8px 12px;            margin: 10px 0;        }        button {            background-color: #4CAF50;            color: white;            border: none;            cursor: pointer;        }        button:hover {            background-color: #45a049;        }    </style></head><body>    <h1>简单天气应用</h1>    <div>        <input type="text" id="cityInput" placeholder="输入城市名称">        <button onclick="getWeather()">查询天气</button>    </div>    <div id="weatherResult" class="weather-container" style="display: none;">        <h2 id="cityName"></h2>        <p id="temperature"></p>        <p id="description"></p>    </div>    <script>        function getWeather() {            const city = document.getElementById('cityInput').value;            if (!city) {                alert('请输入城市名称');                return;            }                        // 这里使用的是模拟数据,实际应用中应该使用天气API            // 例如: fetch(`https://api.openweathermap.org/data/2.5/weather?q=${city}&appid=YOUR_API_KEY&units=metric`)                        setTimeout(() => {                // 模拟天气数据                const weatherData = {                    name: city,                    main: { temp: Math.floor(Math.random() * 30) },                    weather: [{ description: ['晴朗', '多云', '小雨', '大雨'][Math.floor(Math.random() * 4)] }]                };                                displayWeather(weatherData);            }, 500);        }                function displayWeather(data) {            document.getElementById('cityName').textContent = data.name;            document.getElementById('temperature').textContent = `温度: ${data.main.temp}\u00b0C`;            document.getElementById('description').textContent = `天气状况: ${data.weather[0].description}`;            document.getElementById('weatherResult').style.display = 'block';        }    </script></body></html>

这个示例展示了Vibe Coding的强大功能——只需要一句简单的自然语言描述,就能生成一个完整的天气应用。

08

Vibe Coding 的最佳实践

为了更好地使用Vibe Coding,以下是一些最佳实践:

理解AI的角色

虽然Vibe Coding利用AI,但了解其能力和局限性很重要:

  • 在实施前审查并理解AI生成的代码。

  • 将AI作为协作工具,而不是编程知识的替代品。

  • 使用AI生成的代码时保持安全最佳实践。

  • 彻底测试,因为AI有时可能生成看似合理但不正确的代码。

有效的提示

成功的Vibe Coding关键在于如何与AI沟通:

  • 在需求中具体明确。

  • 将复杂问题分解为更小、更易管理的部分。

  • 在提示中包含上下文和约束条件。

  • 根据结果迭代和优化提示。

09

Vibe Coding 的实际案例

已经有多个公司和组织开始使用Vibe Coding来提高开发效率和质量,包括:

  • Microsoft:使用Vibe Coding来生成自动化测试代码,提高测试效率和覆盖率。Microsoft的开发团队使用GitHub Copilot生成测试代码,节省了大量的开发时间。

  • Google:使用Vibe Coding来生成原型代码,验证产品的可行性和用户需求。Google的开发团队使用Kite生成原型代码,快速验证产品的可行性。

  • Amazon:使用Vibe Coding来重构遗留代码,提高代码质量和可维护性。Amazon的开发团队使用Tabnine重构遗留代码,提高了代码质量和可维护性。

  • 腾讯:使用 CodeBuddy Craft 进行 Vibe Coding 来自主生成多文件代码与修改,当前 Craft  实测每日生成采纳率 90% 以上;腾讯的开发团队使用 CodeBuddy 的代码补全、Craft、单元测试、 代码智能评审等功能,进行提升编码效率、理解老旧项目、重构遗留代码、发现代码漏洞,直接提升提高了代码质量和可维护性。

还有很多很多人在X上分享过,他们利用Vibe Coding开发的游戏或者应用。

10

Vibe Coding 的未来展望

说实话,Vibe Coding的未来简直让人兴奋!随着那些超级大模型越来越聪明,这种编程方式肯定会越来越普及。想象一下,以后我们可能真的不用再死记硬背那些复杂的语法和API了,只需要用自然语言就能搞定编程,这简直是程序员的福音啊!

11

Vibe Coding 的发展趋势

那么,Vibe Coding接下来会往哪些方向发展呢?我给大家列几个靠谱的预测:

像聊天一样编程

以后写代码可能就像和朋友聊天一样简单。你说“嘿,我想做个天气应用”,AI就帮你生成代码。这种方式不仅提高了开发效率,还让编程变得更加有趣和创造性。

多语言支持

Vibe Coding会支持更多的编程语言,包括Python、Java、C++等。这样,开发者就可以使用他们最熟悉的语言来编程了。

自动化测试

Vibe Coding会支持自动化测试,开发者可以使用Vibe Coding生成自动化测试代码。这种方式可以提高测试效率和覆盖率。

代码重构

Vibe Coding会支持代码重构,开发者可以使用Vibe Coding重构遗留代码。这种方式可以提高代码质量和可维护性。

12

Vibe Coding 的应用前景

说到Vibe Coding能用在哪,这可真是广泛得很!来看看这些领域:

软件开发

这个不用说,软件开发是它的主战场。以后写代码可能就像点菜一样,告诉AI你想要什么功能,它就帮你生成代码。

数据分析

Vibe Coding也可以用在数据分析领域,开发者可以使用Vibe Coding生成数据分析代码,快速获取数据洞察。

机器学习

Vibe Coding还可以用在机器学习领域,开发者可以使用Vibe Coding生成机器学习代码,快速训练模型。

网络安全

Vibe Coding也可以用在网络安全领域,开发者可以使用Vibe Coding生成网络安全代码,快速检测和防御攻击。

13

结论

总的来说,Vibe Coding真的是编程界的一场革命!它让编程变得像聊天一样简单,打破了编程的门槛,让更多人能够参与进来。不管你是资深开发者还是初学者,都能从中受益。我们可能正在见证一个新时代的开始,一个人人都能编程的时代!

-End-

原创作者|龙浩

感谢你读到这里,不如关注一下?👇

图片

📢📢月月来领开发者专属福利!点击下方图片直达👇

图片


图片

你最希望用 Vibe Coding 编写出怎样的代码?欢迎评论留言补充。我们将选取1则优质的评论,送出腾讯云定制文件袋套装1个(见下图)。4月29日中午12点开奖。

图片

图片

图片

图片

图片

图片

相关推荐

大模型的Agent Skill功能,在LLM HTTP底层交互流中是怎么承载的?

网络文章文本的 skill,昨天我实现了之后也就开始好奇起 Skills 的底层原理了——相比起各种花里胡哨的 agrnt 应用,我一直以来都很对大模型在纯粹的 HTTP 交互层面是如何交互的更感兴趣。Skill 的全部"魔法"都发生在 system prompt 的措辞和 SKILL.md 文件的编写质量上——本质上是一种 prompt engineering + 文件系统的组合。但是各种天花乱坠的 skills,是如何在底层的 HTTP 中,与大模型——这个只会嘴遁的工具交互的呢?

QcloudCommunity的博客 403

万字入门AI Infra:深入理解大模型中的数学与Infra优化

关注腾讯云开发者,一手技术干货提前解锁👇AI Infra科普、入门或者进阶 ~~ 不到 5 万字,带你融会贯通理解大模型的数学、算法、硬件到系统工程。任何问题欢迎沟通交流。可怕,我竟然有点认同这句话。当然大概率是因为姚顺宇太懂AI了,而我则是因为无知者无畏。不过仔细想想,大模型推理中的数学逻辑确实不复杂,很多原理只需要高中数学知识就能看懂。但是为什么像 vLLM 这种推理系统这么复杂呢?本文将拆解大模型中几个核心操作(RMSNorm、Softmax、Causal Mask、Sampling)背后的数学与

QcloudCommunity的博客 1162

平平无奇的源码,竟藏着Agent的核心秘密?

System Prompt 是剧本,Skill 是剧本的扩展包,Agent Loop 是演员按剧本行动。欢迎留言,我们将邀请作者针对性回复你的评论,我们将选取1则优质的评论,送出腾讯云定制文件袋套装。,让 Agent 能主动"巡逻",而不只是被动等待用户消息。OpenClaw 的 System Prompt 分层结构。的"行为底线",任何 Skill 或用户命令都无法覆盖它。精华 2:Skill 的"按需加载"避免 token 浪费。精华 1:System Prompt 是"分层乐高积木"

QcloudCommunity的博客 424

QQ音乐Harness Engineering实践

一个看似简单的需求,背后可能牵动服务调用链、配置、灰度、埋点、错误码、接口契约和历史兼容性。当 AI 开始快速生成大量代码,真正的瓶颈就不再是"写不出来",而是"看不完、想不清、管不住"。在对话式编码阶段,一种典型的工作模式逐渐流行:开发者把需求丢给 AI,扫一眼输出"看起来对"就直接采纳,不审 diff、不追问逻辑、不验证边界。以音乐商业化业务为例,一个需求可能从 TAPD 单开始,经过需求评审、技术方案、服务影响面分析、IDL 契约变更、业务代码实现、测试验证、CR、灰度上线,最后才进入稳定运行。

QcloudCommunity的博客 713

从Prompt、Context到Harness,工程的三次进化与终局之战

同时,强制要求散落各处的决策记录(Slack、邮件、文档)全部迁移至代码仓库,确保 Agent 的唯一信息来源是可信的、版本受控的仓库。更坑爹的是,研究表明,当上下文过长时,模型会出现"中间遗忘(Lost in the Middle)"现象:它对开头和结尾的内容记忆较好,对中间大段内容的关注度大幅下降。这篇文章,我想带你完整走一遍这三次进化的逻辑:它们分别解决了什么问题,它们之间是什么关系,它们的边界在哪里,以及:当三者融合,AI 工程师的终极形态究竟是什么?大语言模型的本质,就是这位金鱼助理。

QcloudCommunity的博客 715

让Skill自己训练自己:8阶段Loop、3层评测、5维AND门控,从此实现自进化

所以每一轮改动都是有据可查的,不是「感觉这里可以优化」,而是「Case 41 挂了,因为 agent 把离职问题路由到了邮箱分类,但正确答案在通讯录,所以我改 root_index.md 加个易混淆提示」。但让我最后决定把它记录下来的,不是这的个「吸收」过程,而是它真的在替我探索我不想费脑力触达的边界,这看起来更像是一个机器智能应该有的样子。不准跨层,每轮只改一层的东西。但我经过这 19 轮之后觉得,更准确的描述是互补——你在明处看着,AI 在暗处替你试错,你看不见的那一半就是 AI 能贡献的地方。

QcloudCommunity的博客 1125

只加两行代码,为什么要两天?一文深度理解业务系统的复杂性

关注腾讯云开发者,一手技术干货提前解锁👇业务系统复杂性一直是令开发者头痛的问题。复杂的不是增加一个需求需要耗费多少时间,而是在增加一个需求后带来的蝴蝶效应:其它功能会不会受到影响、要如何去找到这些影响,最终如何实现系统正常运行......功能之间隐秘增加的耦合、不可避免的代码腐化在导致业务复杂性增加。大家都在说的软件开发提效到底在提什么?程序员日常工作中应该如何提升开发效率?敏捷开发、瀑布流式开发孰是孰非?欢迎阅读。业务背景与目标我依然非常清晰地记得某个时候,我所在团队 Leader 曾讲过一段话:“我担

QcloudCommunity的博客 710

从零设计生产级 Multi-Agent Harness:架构、评估、记忆、成本与 MCP 工具接入全拆解

在 AI Agent 领域,Multi-Agent Harness 指的是把多个 Agent 的能力、工具、状态、通信、编排、监控统一收束在一个运行时之内的框架。第三,Agent 路由。一个输入框,一个大模型,几个工具,一段写得很漂亮的 System Prompt,再配上一个炫酷的前端,看起来就像一个能干活的“数字员工”。Multi-Agent 完全不一样——它有计划、有中间步骤、有工具调用、有 Agent 协作、有重试、有反思、有最终合成。增加 Budget、权限、重试、压缩、轨迹评估、审计、回归测试。

QcloudCommunity的博客 707

拆完Hermes源码,我发现Agent的“自我进化“根本不需要训练模型

两个月 5.2 万 Star,Hermes Agent 用一个"LLM 审判官"机制实现了 Agent 的自我进化——不改模型权重,只改"怎么用模型"的策略。OpenClaw(社区昵称"龙虾"🦞)是 2025-2026 年最火的开源 Agent 框架,30 万+ Star,插件市场 ClawHub 里有数千个插件,能接入 Telegram、WhatsApp、Slack、飞书、企业微信——几乎是一个"个人 AI 操作系统"。Skill 是英语写的,Memory 是英语写的,审查 Prompt 也是英语写的。

QcloudCommunity的博客 905

AI Infra 其实没有多少新东西

传统 Infra 追求横向扩展,而 AI Infra 呈现 “AI 大型机”特性,是因为传统后台服务的可以容忍毫秒级延迟,但 AI 集群不行,GPU 的算力是 CPU 的数百倍,微秒级的延时等待也会造成很大的算力损耗,需要硬件的高度集成。在可预见的1-3年的未来,这样的专用硬件+网络的集中式架构很难发生比较大的改变。与之相似,模型推理的批处理就是将多个输入样本打包(batch),将原本串行的 N 次轻量的推理计算,合并为 1 次重量的计算,实现单位时间内处理更多的请求,提高了 GPU 利用率。

QcloudCommunity的博客 821

程序员越早想通这些越好

永远没有正确架构,你永远无法偿还完所有的技术债务,如同你永远不会设计出完美的界面,请避开完美主义的陷阱,永远没有完美的代码,能够满足当前需求,又为未来不管是自己还是他人留有扩展空间,就很好了。我们努力的方向就是将现实世界映射到有限的数据结构中,这就需要用户自定义类型,如果你的代码中包含类似 trader portfolio 这样的概念,你就可以使用他们的名称来建模,而不是使用基本数据类型复杂嵌套表述你的目的。从另一个角度看,代码里的注释都是补丁,是碎片化的,局部的注释很难推导模块整体的顺序及耦合关系。

QcloudCommunity的博客 464

RAG已死?不,是Grep回归了!

这样一来可以直接复用已有的计算缓存,只为新增的增量部分付全价,前面累积的大头按约 1/10 的缓存价计费。所以实际的工具组合方式是灵活的:Grep(默认模式)→ Read 是最常见的路径,但 Grep(content 模式)可以独立使用,LLM 也可以直接调 Read(如果已经知道文件路径),或者一次同时发起多个 Grep 并行搜索。它从零开始构建自己的对话历史,不继承主对话的消息,这意味着它搜索过程中产生的大量 grep 结果、代码片段都留在自己的 context 里,主对话只收到一段总结性的文本结论。

QcloudCommunity的博客 574

深入浅出Harness Engineerring之核心模式与理念

在智能体生命周期的关键节点(如会话开始、工具调用后)自动触发预设动作(如代码格式化),由系统确保关键流程被执行,不依赖可能被模型遗忘的指令。简单讲就是利用向量存储这个技术,来实现模糊检索,原理是:即使字面不同,但语义相近的文本,其向量在数学空间中的位置也很接近。根据命令类型、参数和影响,自动评估其风险等级(安全、有风险、危险),并采取自动执行、请求确认或直接拦截等不同策略。关键特性是可隔离、可重建、可扩展。不是一次判断就定终身,允许你改变、允许情况复杂,通过不断观察、思考、调整,越来越懂真实的你。

QcloudCommunity的博客 621

Harness Engineering实践心得:如何高效驾驭AI?

但如果这些经验被拆成一条条 Rule、一个个 Skill、一项项 Script 检查——"XAML 不能有中文"、"编译要用这个路径的 MSBuild"、"SVN 命令必须带认证参数"——AI 就能在秒级时间里"吸收"十年的踩坑经验。然后可以看到下方的图,我的PM会很顺利的调度其他agent分别负责不同的事项,遇到问题的时候也能准确的找到合适的agent。MCP 本质上是在扩展 AI 的"感知范围"——Rule 管"该怎么做",Skill 管"怎么操作",MCP 管"能看到什么、能碰到什么"。

QcloudCommunity的博客 838

从第一性原理思考 Agentic Engineering

需要注意的是,这一结论是有条件的:如果 AI 缺乏领域知识,过早介入反而可能引入 1.2 节所述的"似是而非"损耗——因此上下文供给(实践 1)是 AI 全链条参与的前提,而非结果。通过一个专门的自迭代 Skill 实现——当 AI 在协作过程中识别到自己被纠正(用户否定了 AI 的输出并给出了正确方向),它自动评估这个错误的根因,搜索现有的 Rules 和 Skills 中是否已有针对该类问题的处理规则。事实上,越是复杂的项目,工程师的认知负担越重(公理 3),AI 分担认知负担的潜在边际价值也越大。

QcloudCommunity的博客 756

万字干货!Harness Engineering如何工程化落地?

关注腾讯云开发者,一手技术干货提前解锁👇Harness Engineering 的概念已经火了有一阵了,全网很多文章基本都是在讲理念,讲为什么今天做 AI 开发,不能只靠一段提示词,也不能把模型当一个“更聪明的代码补全”。但与此同时,一个问题也在持续地发酵:这个问题特别重要。因为 Harness 这个词听上去很大,很像一个抽象的方法论,但它如果不能落到工程、目录、文档、脚本、工作流里,那它最后就只是一句漂亮的话。事实上,不同项目落地出来的 Harness,表面上可能完全不一样。有的项目是 CI 很强,有的

QcloudCommunity的博客 1161

全方位对比:Hermes VS OpenClaw

多账号矩阵运营 如果你的业务涉及同时管理多个社交媒体账号、多个平台的内容分发、多渠道的客户互动——OpenClaw是目前市场上的"无可替代的底座"。一个有专业背景的个人,现在可以快速构建一个垂直领域的AI助手:比如"财务分析Hermes"、"法律咨询Hermes"、"技术架构Hermes",直接通过微信提供服务,积累自己的专业IP。跨平台生态融合 如果你的工作流涉及飞书、Slack、Discord等多个平台的深度集成,需要这些平台之间的数据流转和联动——OpenClaw的生态支持是强大的。

QcloudCommunity的博客 1217

一文讲透:Harness Engineering即控制论!

而研发模式的升级我认为将会是一个飞跃的过程,之所以现在我们仍然需要需要参与编码,一个非常大的原因就是缺乏传感器和基建,仍然需要人来串流程,比如需要人来验证UI是否正确、需要人来告诉AI代码不符合代码规范,因此在有些场景我们仍然感觉 AI 完成的很吃力,但这不是 AI 能力不行,而是我们并没有为 AI 提供友好的环境……控制论中的突变理论介绍了矫枉过正和飞跃现象之间的矛盾,如果质变中经历的中间过渡态是不稳定的,那么他就是一个飞跃的过程,如果中间过渡态是稳定的,那么他就是一个渐变的过程。但是这些阶段要解决的。

QcloudCommunity的博客 1202

神级开源插件!一句话让QClaw变3D小镇,Agent工作可视化,赛博云监工

这个架构是翻了几次车才想通的—原有AI的实现机制是用 setTimeout 猜动画时长导致了幽灵 NPC、工位撞车、越改越崩,后面我停下来换了思路,推翻原有的架构,按照“意图+回传”的架构进行重构,之前的问题一次性全部解决。15 天,我和 AI 吵了 185 次架, 4.5 万行代码,开发了一款 QClaw / OpenClaw 的UGC游戏插件,这可能是人类跟 Agents 交互的新范式,插件已完全开源,有需要的欢迎自取~我天天用,用着用着我就在思考,Agent 产品现在的交互体验,基本都一个样。

QcloudCommunity的博客 1195

一文搞懂Hermes:新顶流Agent如何从经验中自我进化

Voyager 是一个能在 Minecraft 中自主探索、学习技能、无限积累能力的 AI Agent,它提出了 "Skill Library"(技能库)的概念——Agent 将成功的行为序列编码为可复用的技能函数,存储在一个持续增长的代码库中。如果 Skill 的名称和描述不够精准,或者用户的任务描述与 Skill 的触发条件有语义差距,Agent 可能会错过相关的 Skill。如果进程在写入过程中崩溃,目标文件要么是旧内容(还没被替换),要么是新内容(替换已完成),绝不会出现写了一半的损坏文件。

QcloudCommunity的博客 2631

自掏腰包一万元,拥抱AI这一年,我的工具、实践和思考

其实也很好理解,过往的每个领域(比如前端、后端、设计、测试等等)都主要是这个领域的从业者在为它添砖加瓦,但是大模型时代的 AI 应用领域却几乎是所有使用 AI 的人类一起在迭代,无分领域,无分文理,无分老少。因为每个时期的 AI 都有着不同的特点,很多时候当我费尽心思去钻研,自以为有点弄明白 AI 应该怎么玩的时候,基座模型和行业范式常常就会迎来颠覆式的变革,很多过往的经验都会倾覆,然后只能从头再来。过去一年多,被热议的 AI 范式大概是沿着四个阶段递进演化,每一个阶段其实都在解决前一个阶段的核心问题。

QcloudCommunity的博客 626

办公Agent的CI/CD时刻到来了

核心观点是:企业给员工配了一堆 AI 工具,试点跑了几百个,但真正拖慢 AI 转型速度的瓶颈不在模型能力,在"最后一公里":AI 输出和实际工作流之间的那道鸿沟。代码写完,打个 tar 包,开 FTP 传到服务器上,SSH 进去解压,改配置文件,重启服务,刷一下页面祈祷别 500。你复制,切窗口,粘贴到腾讯文档里,发现 Markdown 格式全乱了,手动调标题层级,代码块重新标记语言类型,表格散架了重排一遍。模型是越来越聪明了,但"生成"到"落地"之间那段路,还是你自己在走,一步一步,手动搬运。

QcloudCommunity的博客 607

4亿token买来5个教训:让6个AI Agent连写4天代码发生了什么?

Watchdog 检测到崩溃 → 启动诊断 Agent 分析原因 → 诊断 Agent 跑满 20 轮没搞定 → Watchdog 判定“已修复”,重启系统 → 重启的系统因为诊断 Agent 留下的环境变量被继承,连续 3 次拒绝启动 → 触发连续失败保护退出 → Watchdog 第 3 次巡检,发现进程和记录文件都没了,尝试手动重启,自己也停了。启动前我翻了论文、做了架构设计、写了监控+修复异常的脚本。这个发现让我的情绪从沮丧变成了兴奋——不是那种"终于修好了"的释然,是"我找到根因了"的快感。

QcloudCommunity的博客 584

赛博斗蛐蛐:9大模型决战三国志,天命在谁?

我猜是这样的,当Gemini面临决策的时候,一系列关键词比如 守城,劣势,粮草,三国等等,在语义层面的关联性中LLM发现了竖壁清野这个关键词概率非常高,所以以此为策略,然后再根据这个策略完美执行操作。MiMo 的外交是三方中最精明的。Kimi作为国产模型,也同样颠覆了我对他的看法,最后的比赛他甚至一度是优势者,存在很多夺冠的可能性,要知道他的对手可是claude和gemini,而他经常出兵慢,回过头来想想或许正是他的策略,毕竟中后期他的优势都来自于稳健的发展和较少的战斗频率(和claude比).

QcloudCommunity的博客 873

Claude Code是怎么知道你在骂他的?这 12 条发现值得关注

确实存在——5,500+ 行,集成了消息队列、工具装配、MCP 编排、会话状态、权限、分析、文件持久化和优雅关闭,基本上一个文件干了所有事。对抗虚假声明——"不要在输出显示失败时声称所有测试通过,不要压缩或简化失败的检查来制造绿色结果"。完整的 KAIROS 是一个持续驻留的守护进程,能感知你在不在电脑前、主动寻找有用的工作做,更像是住在终端里的全职同事。源码里藏着一个叫 "Buddy" 的电子宠物系统,完整度令人惊讶——这不是一个 TODO,而是一个从数值系统到 ASCII 动画都实现了的完整功能。

QcloudCommunity的博客 701

逆向深扒Claude Code源码,我发现了什么!?

Anthropic 内部用户获得更严格的质量控制 prompt、更好的验证机制(独立 Verification Agent)、以及针对 model 弱点的专门对策(如 Capybara v8 的 29-30% 错误声明率对策)。这不是代码混乱的标志——它是整个 Agent Loop 的心脏,所有的流式处理、工具调度、上下文压缩、子代理管理都在这个文件中协调。这种"胖核心"设计是刻意的:保持核心循环的原子性,避免分散到多个模块导致的协调复杂度。核心价值:Fork 代理的工具输出不会回到主代理的上下文窗口。

QcloudCommunity的博客 889

一文讲透如何构建Harness——六大组件全解析

本文将从"裸模型的四个硬伤"出发,逐一拆解 Harness 的六大组件——文件系统、Bash + 沙箱、记忆(AGENTS.md)、Web Search + MCP、上下文工程、编排 + Hooks——带你看清 AI Agent 真正的竞争壁垒,不在模型层,而在 Harness 层。如果你用过 Agent 做复杂任务,你一定有过这样的体验:一开始 Agent 的表现很好,但随着对话变长,它开始"变笨"——遗忘之前的约定,重复之前犯过的错误,甚至对同一个问题给出前后矛盾的回答。对于简单的问答场景,这无所谓。

QcloudCommunity的博客 760

Harness Engineering 来了,SDD 还有意义吗?

他们的解法是把「品味」编码进规则,然后用一个定期运行的「doc-gardening」Agent 自动扫描漂移、发起修复 PR——「技术债务就像一笔高息贷款,不断地以小额贷款的方式偿还,总比让债务不断累积要好」。代码仓库本地的、已版本化的工件,才是 Agent 所能看到的全部。在 Vibe Coding 模式下(即不做规划、随意向 AI 提需求的开发方式),大量设计决策、跨服务约定、「为什么不选另一个方案」的讨论,全部停留在一次性的 AI 对话里——下一个人,或者下一次 AI 会话,完全无从获取。

QcloudCommunity的博客 418

零废话!一文讲透从0构建AI Agent

每个工具都要写一套"定义→解析→执行"的胶水代码。上下文管理就是在"记住足够多"和"别超标"之间找平衡,常见策略包括滑动窗口、摘要压缩、RAG 检索增强。上下文窗口是 Agent 的"工作记忆",但它有硬性限制。LLM 负责"动脑"决策,代码负责"动手"执行。这是从"聊天机器人"进化到"Agent"的关键一步。每次调 API 都把完整对话历史发过去,LLM 本身是无状态的,"记忆"完全靠客户端的数组模拟。这样 Agent 一开始就知道自己"在哪里"、"手头有什么",不需要先花一轮工具调用去探索环境。

QcloudCommunity的博客 711

距离AI把小编我裁掉还有72小时

这是一个基于 OpenClaw 开源生态打造的本地化 AI Agent 助手,已于上周开启全量公测,无需复杂配置,三步即可上手,自带安全防护,支持微信直连绑定,内置多款优质国产大模型,现阶段也是完全免费使用,基本上前面提到过的痛点都可以靠它解决。对了,这里特别强调一点,上面的截图让产品同事汗流浃背,再三找我确认 QClaw 思考过程中优美的“草”字说法,不会是默认出现的吧?AI 好,AI 得学,但更重要的是,在你的工作和生活里,哪些东西是能结构化地被 AI 所接入的,不要死守着那些脏活累活不放。

QcloudCommunity的博客 673
上一篇: 推理模型升级浪潮下,Agentic RAG 如何借力 DeepSeek 实现知识革命?
下一篇: 深入微服务核心:从架构设计到规模化
腾讯云开发者
腾讯云开发者 企业官方账号 企业官方账号
博客等级 码龄10年 6291粉丝 1962原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值